Memory Tiering Skill 是一套专为 AI 助手设计的上下文记忆管理框架，采用 HOT/WARM/COLD 三级分层架构，旨在解决长期对话中记忆混乱、上下文膨胀导致的检索效率下降问题。该 Skill 以纯文档形式提供指导框架，通过结构化的工作流程帮助 AI 智能体优化记忆存储与调用策略。
核心用法围绕三层记忆架构展开。HOT 层（高温层）专注于当前会话的即时上下文，包括活跃任务、临时凭证和近期目标，特点是更新频繁且会被积极修剪；WARM 层（温暖层）存储稳定的用户偏好、系统配置和重复性兴趣点，更新频率较低但保持长期可用；COLD 层（冷层）则作为长期归档区，存放历史决策、项目里程碑和经验教训的精简摘要。使用时通过"Organize-Memory"四步工作流执行：首先审计现有记忆识别失效上下文，然后按时效性和重要性重新分配至对应层级，接着对 COLD 层进行摘要化压缩，最后验证关键信息无遗漏且 HOT 层体积适中。触发方式支持手动指令（"Run memory tiering"）或自动跟随 /compact 命令执行。
显著优点在于其清晰的逻辑分层和隐私安全设计。三级架构模拟了计算机存储体系的分层思想，确保高频访问信息常驻"HOT"快速层，而历史归档自动下沉至"COLD"节省上下文空间。作为纯文档型 Skill，它不具备代码执行能力，所有记忆操作均基于 AI 助手对指导原则的理解在本地上下文内完成，无网络传输风险，敏感凭证仅在 HOT 层临时存在且建议指向根文件而非明文存储。此外，该框架具有良好的通用性，可适配各类需要长期记忆维护的复杂项目场景。
潜在局限主要包括来源可信度与执行依赖性两方面。该 Skill 来自 T3 级社区开发者（个人仓库），虽经安全审计无恶意代码，但相比官方或基金会背书的工具（T1/T2），其长期维护稳定性存在不确定性。更重要的是，该 Skill 仅提供"指导框架"而非自动化脚本，实际效果高度依赖 AI 助手对文档指令的理解与执行能力，不同模型或版本可能存在执行偏差。对于简单短对话场景，分层管理反而可能增加认知负担。
适用群体主要为需要进行长期、复杂项目协作的深度 AI 助手用户，特别是那些面临上下文窗口压力、希望建立系统化记忆归档机制的专业人士。教育研究者管理长期学术对话、产品经理维护需求文档历史、开发者追踪跨会话调试记录等场景均可受益。
使用风险相对较低但需注意：尽管框架本身安全，但实际记忆文件的读写操作由 AI 执行，存在因理解偏差导致信息误删或层级错配的理论风险；此外，HOT 层可能涉及的临时凭证若未按指导原则及时清理，存在滞留风险。建议用户定期手动检查 memory/ 目录文件状态，确保分层策略符合预期。